Training Oncology Nurses to Use Remote Symptom Support Protocols: A Retrospective Pre-/Post-Study
Notice bibliographique
Résumé
PURPOSE/OBJECTIVES: To evaluate the impact of training on nurses' satisfaction and perceived confidence using symptom protocols for remotely supporting patients undergoing cancer treatment. DESIGN: Retrospective pre-/post-study guided by the Knowledge-to-Action Framework. SETTING: Interactive workshops at three ambulatory oncology programs in Canada. SAMPLE: 107 RNs who provide remote support to patients with cancer. METHODS: Workshops included didactic presentation, role play with protocols, and group discussion. Post-training, a survey measured satisfaction with training and retrospective pre-/post-perceived confidence in the ability to provide symptom support using protocols. One-tailed, paired t-tests measured change. MAIN RESEARCH VARIABLES: Satisfaction with the workshop and perceived confidence in the ability to provide symptom support and use protocols. FINDINGS: Twenty-two workshops, 30-60 minutes each, were conducted with 107 participants. Ninety completed the survey. Compared to preworkshop, postworkshop nurses had improved self-confidence to assess, triage, and guide patients in self-care for cancer treatment-related symptoms, and use protocols to facilitate symptom assessment, triage, and care. Workshops were rated as easy to understand, comprehensive, and provided new information on remote symptom management. Some specified that the workshop did not provide enough time for role play, but most said they would recommend it to others. CONCLUSIONS: The workshop increased nurses' perceived confidence with providing remote symptom support and was well received. IMPLICATIONS FOR NURSING: Subsequent workshops should ensure adequate time for role play to enhance nurses' skills in using protocols and documenting symptom support.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».